Cos'è la logica fuzzy nell'IA e quali sono le sue applicazioni?

La logica fuzzy nell'IA è un metodo di ragionamento. Questo approccio è simile a come gli esseri umani eseguono il processo decisionale e coinvolge tutte le possibilità tra sì e no.

Nella nostra vita quotidiana, potremmo affrontare situazioni in cui non siamo in grado di determinare se lo stato è vero o falso. Fuzzy si riferisce a qualcosa che non è chiaro o vago. La logica fuzzy nell'IA fornisce una preziosa flessibilità per il ragionamento. E in questo articolo impareremo a conoscere questa logica e la sua implementazione in nella seguente sequenza:

Cos'è la logica fuzzy?

Logica fuzzy (FL) è un metodo di ragionamento che assomiglia ragionamento umano . Questo approccio è simile a come gli esseri umani eseguono il processo decisionale. E coinvolge tutte le possibilità intermedie tra e NO .





logica fuzzy - logica fuzzy nell

Il blocco logico convenzionale che un computer comprende riceve un input preciso e produce un output definito come VERO o FALSO, che equivale a SÌ o NO di un essere umano. La logica Fuzzy è stata inventata da Lotfi Zadeh che hanno osservato che, a differenza dei computer, gli esseri umani hanno una diversa gamma di possibilità tra SÌ e NO, come ad esempio:



uso di charat in java

La logica Fuzzy lavora sui livelli di possibilità di input per ottenere un output definito. Ora, parlando dell'implementazione di questa logica:

  • Può essere implementato in sistemi con diverse dimensioni e capacità come microcontrollori, grande rete o sistemi basati su workstation.



  • Inoltre, può essere implementato in hardware software o una combinazione di tutti e due .

Perché usiamo Fuzzy Logic?

In generale, utilizziamo il sistema di logica fuzzy sia per scopi commerciali che pratici come:

  • It controlla le macchine e prodotti di consumo

  • Se non è un ragionamento accurato, almeno fornisce ragionamento accettabile

  • Questo aiuta a gestire i file incertezza in ingegneria

Quindi, ora che conosci la logica fuzzy nell'intelligenza artificiale e perché la usiamo effettivamente, andiamo avanti e comprendiamo l'architettura di questa logica.

Architettura logica fuzzy

L'architettura fuzzy logic consiste di quattro parti principali:

  • Regole - Contiene tutte le regole e le condizioni if-then offerte dagli esperti per controllare il sistema decisionale. Il recente aggiornamento nella teoria fuzzy fornisce diversi metodi efficaci per la progettazione e la messa a punto di controller fuzzy . Di solito, questi sviluppi riducono il numero di regole fuzzy.

  • Fuzzificazione - Questo passaggio converte gli input oi numeri nitidi in set fuzzy. È possibile misurare gli input nitidi dai sensori e trasferirli nel file sistema di controllo per ulteriori elaborazioni. Divide il segnale di ingresso in cinque passaggi come:

  • Motore di inferenza - Determina il grado di corrispondenza tra l'input fuzzy e le regole. In base al campo di input, deciderà le regole che devono essere attivate. Combinando le regole sparate, formano le azioni di controllo.

  • Defuzzificazione - Il processo di defuzzificazione converte i set fuzzy in un valore nitido. Sono disponibili diversi tipi di tecniche ed è necessario selezionare quella più adatta con un sistema esperto.

Quindi, si trattava dell'architettura della logica fuzzy nell'IA. Ora, vediamo la funzione di appartenenza.

Funzione di appartenenza

La funzione di appartenenza è un file grafico che definisce come ogni punto nel file spazio di input è mappato al valore di appartenenza compreso tra 0 e 1. Ti consente di farlo quantificare i termini linguistici e rappresentano graficamente un insieme fuzzy. Una funzione di appartenenza per un insieme fuzzy A nell'universo del discorso X è definita come & muA: X → [0,1]

Quantifica il grado di appartenenza dell'elemento in X all'insieme fuzzy A.

  • asse x rappresenta l'universo del discorso.

  • asse y rappresenta i gradi di appartenenza all'intervallo [0, 1].

Possono esserci più funzioni di appartenenza applicabili per fuzzificare un valore numerico. Le funzioni di appartenenza semplici vengono utilizzate poiché le funzioni complesse non aggiungono precisione nell'output. L'appartenenza funziona per LP, MP, S, MN e LN siamo:

Le forme delle funzioni di appartenenza triangolari sono più comuni tra le varie altre forme di funzioni di appartenenza. Qui, l'ingresso al fuzzifier a 5 livelli varia da Da -10 volt a +10 volt . Quindi cambia anche l'output corrispondente.

Logica fuzzy vs probabilità

Logica fuzzy Probabilità
Nella logica fuzzy, fondamentalmente cerchiamo di catturare il concetto essenziale di vaghezza.La probabilità è associata agli eventi e non ai fatti e quegli eventi si verificheranno o non si verificheranno
Fuzzy Logic cattura il significato della verità parzialeLa teoria della probabilità acquisisce una conoscenza parziale
La logica fuzzy prende i gradi di verità come base matematicaLa probabilità è un modello matematico di ignoranza

Quindi, queste erano alcune delle differenze tra la logica fuzzy nell'IA e la probabilità. Ora, diamo uno sguardo ad alcune delle applicazioni di questa logica.

Applicazioni della logica fuzzy

La logica Fuzzy viene utilizzata in vari campi come i sistemi automobilistici, i beni domestici, il controllo ambientale, ecc. Alcune delle applicazioni comuni sono:

  • È utilizzato in campo aerospaziale per controllo dell'altitudine di veicoli spaziali e satellite.

  • Questo controlla il velocità e traffico nel sistemi automobilistici.

  • È usato per sistemi di supporto al processo decisionale e valutazione personale nel grande business aziendale.

  • Controlla anche il pH, l'essiccazione, il processo di distillazione chimica nel industria chimica .

  • La logica fuzzy viene utilizzata in Elaborazione del linguaggio naturale e vari intensivi .

  • È ampiamente utilizzato in moderni sistemi di controllo come i sistemi esperti.

    come cambiare un double in un int in java
  • Fuzzy Logic imita il modo in cui una persona prenderebbe decisioni, solo molto più velocemente. Quindi, puoi usarlo con Reti neurali .

Queste erano alcune delle applicazioni più comuni della logica fuzzy. Ora, diamo uno sguardo ai vantaggi e agli svantaggi dell'utilizzo di Fuzzy Logic nell'IA.

Vantaggi e svantaggi di Fuzzy Logic

La logica fuzzy fornisce un ragionamento semplice simile al ragionamento umano. Ce ne sono di più vantaggi di utilizzare questa logica, come ad esempio:

  • La struttura di Fuzzy Logic Systems è facile e comprensibile

  • La logica fuzzy è ampiamente utilizzata per commerciale e scopi pratici

  • Ti aiuta a macchine di controllo e prodotti di consumo

  • Ti aiuta a gestire i file incertezza in ingegneria

  • Soprattutto robusto poiché non sono richiesti input precisi

  • Se il sensore di feedback smette di funzionare, puoi farlo programmalo nella situazione

  • Puoi modificare facilmente per migliorare o alterare le prestazioni del sistema

    come creare un doppio int in java
  • Sensori economici può essere utilizzato per mantenere bassi i costi e la complessità complessivi del sistema

Questi erano i diversi vantaggi della logica fuzzy. Ma ne ha alcuni svantaggi anche:

  • La logica fuzzy lo è non sempre accurato . Quindi i risultati vengono percepiti sulla base di ipotesi e potrebbero non essere ampiamente accettati

  • It non può riconoscere così come modelli di tipo

  • Validazione e verifica di un sistema basato sulla conoscenza sfocata ha bisogno test approfonditi con hardware

  • L'impostazione di regole esatte e confuse e funzioni di appartenenza è un file compito difficile

  • A volte, la logica fuzzy lo è confuso con teoria della probabilità

Quindi, questi erano alcuni dei vantaggi e degli svantaggi dell'utilizzo della logica fuzzy nell'IA. Ora, prendiamo un esempio del mondo reale e comprendiamo il funzionamento di questa logica.

Logica fuzzy nell'IA: esempio

La progettazione di un sistema di logica fuzzy inizia con un insieme di funzioni di appartenenza per ogni ingresso e un insieme per ogni uscita. Un insieme di regole viene quindi applicato alle funzioni di appartenenza per ottenere un valore di output nitido. Facciamo un esempio di controllo del processo e comprendiamo la logica fuzzy.

Passo 1

Qui, Temperatura è l'input e Velocità della ventola è l'output. Devi creare una serie di funzioni di appartenenza per ogni input. Una funzione di appartenenza è semplicemente una rappresentazione grafica degli insiemi di variabili fuzzy. Per questo esempio, useremo tre set fuzzy, Freddo caldo e Caldo . Creeremo quindi una funzione di appartenenza per ciascuno dei tre set di temperatura:

Passo 2

Nel passaggio successivo, utilizzeremo tre set fuzzy per l'output, Lento, medio e Veloce . Viene creato un insieme di funzioni per ogni set di output proprio come per i set di input.

Passaggio 3

Ora che abbiamo definito le nostre funzioni di appartenenza, possiamo creare le regole che definiranno il modo in cui le funzioni di appartenenza verranno applicate al sistema finale. Creeremo tre regole per questo sistema.

  • Se caldo allora veloce
  • Se caldo, quindi medio
  • E, se freddo, lento

Queste regole si applicano alle funzioni di appartenenza per produrre il valore di output nitido per guidare il sistema. Pertanto, per un valore di input di 52 gradi , intersechiamo le funzioni di appartenenza. Qui, stiamo applicando due regole poiché l'intersezione si verifica su entrambe le funzioni. È possibile estendere i punti di intersezione alle funzioni di output per produrre un punto di intersezione. È quindi possibile troncare le funzioni di output all'altezza dei punti di intersezione.

Questa era una spiegazione molto semplice di come funzionano i sistemi di logica fuzzy. In un vero sistema funzionante, ci sarebbero molti input e la possibilità di diversi output. Ciò si tradurrebbe in un insieme abbastanza complesso di funzioni e molte altre regole.

Con questo, siamo giunti alla fine del nostro articolo Fuzzy Logic in AI. Spero tu abbia capito cos'è la logica fuzzy e come funziona.

Inoltre, controlla il Il corso è curato da professionisti del settore secondo i requisiti e le richieste del settore. Imparerai concetti come la funzione SoftMax, Autoencoder Neural Networks, Restricted Boltzmann Machine (RBM) e lavorerai con librerie come Keras e TFLearn. Il corso è stato appositamente curato da esperti del settore con casi di studio in tempo reale.

Hai domande per noi? Per favore, menzionalo nella sezione commenti di 'Fuzzy Logic in AI' e ti risponderemo.